Navegando por Assunto "Electrical power system"

Agora exibindo 1 - 2 de 2

Acesso aberto (Open Access)
Análise de desempenho de algoritmos para classificação de sequências representando faltas do tipo curto-circuito em linhas de transmissão de energia elétrica
(Universidade Federal do Pará, 2019-12-05) FREIRE, Jean Carlos Arouche; MORAIS, Jefferson Magalhães de; http://lattes.cnpq.br/5219735119295290; CASTRO, Adriana Rosa Garcez; http://lattes.cnpq.br/5273686389382860
A manutenção da qualidade de energia em sistemas elétricos de potência depende do tratamento dos principais distúrbios que possam surgir em sua geração, transmissão e distribuição. Dentro deste contexto, muitos estudos vêm sendo desenvolvidos com o objetivo de realizar a detecção e classificação de faltas do tipo curto-circuito em sistemas elétricos através da análise do comportamento do sinal elétrico. Os sistemas de classificação de faltas em linha de transmissão podem ser divididos em dois tipos: sistemas de classificação on-line e pós-falta. No cenário pósfalta as sequências do sinal a serem avaliadas para a classificação possuem comprimento (duração) variável. Na classificação de sequências é possível utilizar classificadores convencionais tais como Redes Neurais Artificiais, Máquinas de Vetores de Suporte, K-vizinhos mais próximos e Árvore de Decisão (Floresta aleatória). Nestes casos, o processo de classificação geralmente requer um pré-processamento das sequências ou um estágio de front end que converta os dados bruto em parâmetros sensíveis para alimentar o classificador, o que pode aumentar o custo computacional do sistema de classificação. Uma alternativa para este problema é a arquitetura de classificação de sequências baseada em quadros (FBSC - Frame Based Sequence Classification). O problema da arquitetura FBSC é que esta possui muitos graus de liberdade na concepção do modelo (front end mais classificador) devendo este ser avaliado usando um conjunto de dados completo e uma metodologia rigorosa para evitar conclusões tendenciosas. Considerando a importância do uso de metodologias para classificação de faltas do tipo curto-circuito eficientes e principalmente com baixo custo computacional, este trabalho apresenta os resultados do estudo desenvolvido de análise do algoritmo KNN (K-vizinhos mais próximo) associado a medida de similaridade de Alinhamento Temporal Dinâmico (DTW) e do algoritmo HMM (Modelo Oculto de Markov) para a tarefa de classificação de faltas. Estas duas técnicas permitem o uso direto dos dados sem a necessidade de utilização de front ends, além de possuírem a capacidade de poder tratar séries temporais multivariadas e de tamanho variável, que é o caso das sequências de sinais para o caso pós-falta. Para desenvolvimento dos dois sistemas propostos para classificação foram utilizados dados simulados de faltas do tipo curto-circuito oriundos da base de dados pública UFPAFaults. Para comparação de resultados com metodologias já apresentadas na literatura para o problema, foi também avaliada, para o mesmo banco de dados, a arquitetura FBSC. No caso da arquitetura FBSC, diferentes front ends e classificadores foram utilizados. A avaliação comparativa foi realizada a partir da medida de taxa de erro, custo computacional e testes estatísticos. Os resultados obtidos mostraram que o classificador baseado no HMM se mostrou mais adequado para o problema de classificação de faltas do tipo curto-circuito em linhas de transmissão.
Acesso aberto (Open Access)
Diagnóstico inteligente de faltas em transformadores baseado na análise de gás dissolvido em óleo
(Universidade Federal do Pará, 2024-07-12) OLIVEIRA FILHO, Otacílio Rodrigues de; TEIXEIRA, Raphael Barros; http://lattes.cnpq.br/4902824086591521; https://orcid.org/0000-0003-2993-802X; SILVA, Cleison Daniel; MOREIRA, Davi Carvalho; VILAS BOAS , Vitor Mendes; http://lattes.cnpq.br/1445401605385329; http://lattes.cnpq.br/2413664649532144; http://lattes.cnpq.br/5675605268102409; https://orcid.org/0000-0001-8280-2928; https://orcid.org/0000-0002-5974-3285
O Sistema Interligado Nacional (SIN) de produção e transmissão de energia elétrica bra sileiro é um sistema hidro-termo-eólico de grande porte, com predominância de usinas hidrelétricas, cuja representação resulta da congregação de diversos sistemas de geração, por uma malha robusta de linhas de transmissão e inúmeras subestações envolvendo a rede básica de energia a partir da classe de tensão de 230kV. O transformador de po tência se apresenta como elo de conexão entre geração e transmissão, possuindo papel essencial nos sistemas de energia elétrica, cuja detecção precoce de falhas é crucial para tais sistemas, devido ao elevado custo de manutenção e ao impacto dos defeitos nesses equipamentos. Neste contexto, diversos métodos, tanto inteligentes quanto convencio nais, para a detecção de falhas a partir da análise de gases dissolvidos em óleo isolante (DGA) têm sido desenvolvidos e normatizados. Este trabalho apresenta uma base de dados de DGA composta por amostras reais coletadas de transformadores ao longo de 20 anos de operação, além de dados provenientes de literaturas consolidadas. As mais de 2000 amostras permitem o projeto de classificadores de falhas térmicas e elétricas em transformadores por aprendizado de máquina (AM). O estudo detalha a exploração dos dados e avalia classificadores como Regressão Logística (RL), Máquina de Vetores de Su porte (SVM), Redes Neurais Artificiais (ANN), K-Vizinhos mais Próximos (KNN), além dos métodos convencionais do triângulo de Duval, relações de Rogers, Gás-chave, Do ernenburg e IEC 60599. Os resultados indicam que uma arquitetura híbrida, composta pelos classificadores KNN, ANN e o método convencional do triângulo de Duval, possui melhores resultados que o emprego individual dos métodos testados neste trabalho. Onde a classificação das amostras de teste, evidenciaram o desempenho da arquitetura híbrida em 98% no diagnóstico de falhas incipientes em transformadores.